Leveling Ground(数论,三分法,堆)

探讨如何通过数论和三分法解决一类问题:给定一系列整数,通过特定数值的操作使序列变为全零,目标是最小化操作次数。文章详细介绍了算法思路和实现细节。

Leveling Ground(数论,三分法,堆)

给定n个数和a,b每次可以选择一段区间+a,-a,+b或-b,问最少操作几次能把他们都变成0。n<=1e5。

首先差分一下序列,问题就会变成了:每次选择两个数,一个+a另一个-a,或一个+b另一个-b,问最少操作几次能把序列变成全0。若不能操作则输出-1。

既然只能+-a或b,那么必须\(A_i=ax_i+by_i\)。由于\(gcd(a, b)|ax+by\),因此若\((a,b)\nmid A_i\)就输出-1。

操作的次数是\(\frac{\sum |x_i|+\sum |y_i|}{2}\)。因此我们要最小化这个值,也就是让每个数的\(cnt_i=|x_i|+|y_i|\)之和均最小。

\(x_i\)可以变成\(x_i+k_ib\)\(y_i\)可以变成\(y_i-k_ia\),这样\(A_i\)依然不变,并且\(cnt_i\)可能变小。由于\(|x_i+k_ib|+|y_i-k_ia|\)是两个一次函数的绝对值的和,因此它是个单峰函数。三分确定k就可以找到最小的\(cnt_i\)

还有一个问题,就是\(\sum x_i\)\(\sum y_i\)都要为0,这样才能保证+a-a,+b-b的次数相同。由于\(\sum A_i=\sum ax_i+\sum by_i=0\),因此只要保证\(\sum x_i=0\)即可。接着就只要用小根堆维护所有\(x_i\)降低/升高b,\(y_i\)升高/降低a以后操作次数的增加量,每次取最小的增加量即可。由于\(\sum A_i=\sum ax_i+\sum by_i=0\),因此\(b\mid\sum x_i\),所以一定有解。

Tip:我tm调了一天70分没调出来,所以下面那个并不是真·代码,不过反正大体没有错来着。。如果有哪位大神看出来错误了请务必告诉我。

#include <queue>
#include <cstdio>
#include <iostream>
#include <functional>
using namespace std;

typedef long long LL;
typedef pair<LL, LL> pa;
LL n, a, b, gab, x_base, y_base, delta, pos;
LL gcd(LL x, LL y){ return y?gcd(y, x%y):x; }
inline int _abs(int x){ return x<0?-x:x; }
inline LL _abs(LL x){ return x<0?-x:x; }
inline double _abs(double x){ return x<0?-x:x; }

const LL maxn=1e5+5;
LL A[maxn], B[maxn], x[maxn], y[maxn], k[maxn], cntx, op, ans;  //A[i]:原数
priority_queue<pa, vector<pa>, greater<pa> > q;
pa tmp;

LL div3(double L, double R, LL x, LL y){  //三分
    double k1, k2, t1, t2;
    while (L+0.01<R){
        k1=L+(R-L)/3; k2=L+(R-L)/3*2;
        t1=_abs(x+k1*b)+_abs(y-k1*a);
        t2=_abs(x+k2*b)+_abs(y-k2*a);
        if (t1<t2) R=k2; else L=k1;
    }
    LL k=(L+R)/2;
    if (_abs(x+k*b)+_abs(y-k*a)>_abs(x+(k+1)*b)+_abs(y-(k+1)*a)) ++k;
    if (_abs(x+k*b)+_abs(y-k*a)>_abs(x+(k-1)*b)+_abs(y-(k-1)*a)) --k;
    return k;
}

void exgcd(LL a, LL b, LL &x, LL &y){
    if (b==0){ x=1, y=0; return; }
    exgcd(b, a%b, x, y); LL prey=y;
    y=x-(a/b)*y; x=prey;
}

int main(){
    scanf("%lld%lld%lld", &n, &a, &b); gab=gcd(a, b);
    for (LL i=1; i<=n; ++i){ scanf("%lld", &B[i]); A[i]=B[i]-B[i-1]; }
    A[n+1]=-B[n]; ++n;
    if (a==b){
        for (int i=1; i<=n; ++i){
            if (A[i]%a){ puts("-1"); return 0; }
            ans+=_abs(A[i]/a);
        }
        printf("%lld\n", ans/2);
        return 0; }
    exgcd(a, b, x_base, y_base); a/=gab; b/=gab;
    for (LL i=1; i<=n; ++i){
        if (A[i]%gab){ puts("-1"); return 0; }
        A[i]/=gab;
        x[i]=x_base*A[i], y[i]=y_base*A[i];
        k[i]=div3(-_abs(A[i]), _abs(A[i]), x[i], y[i]);
        x[i]+=k[i]*b; y[i]-=k[i]*a;  //满足ax+by=A,且|x|+|y|最小
        ans+=_abs(x[i])+_abs(y[i]);
        cntx+=x[i];  //判断x多出了多少
    }
    if (cntx==0){ printf("%lld\n", ans); return 0; }
    cntx/=b; op=cntx>0?-1:1;  //k要加cntx 增加的方向是op
    for (LL i=1; i<=n; ++i)
        q.push(make_pair(_abs(x[i]+op*b)+_abs(y[i]-op*a)-_abs(x[i])-_abs(y[i]), i));  //delta
    for (LL i=1; i<=_abs(cntx); ++i){
        tmp=q.top(); q.pop();
        delta=tmp.first; pos=tmp.second;
        ans+=delta; x[pos]+=op*b; y[pos]-=op*a;
        delta=_abs(x[pos]+op*b)+_abs(y[pos]-op*a)-_abs(x[pos])-_abs(y[pos]);
        q.push(make_pair(delta, pos));
    }
    printf("%lld\n", ans/2);
    return 0;
}

转载于:https://www.cnblogs.com/MyNameIsPc/p/9084706.html

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值